0 引言

    隨著智能電網(wǎng)不斷向縱深方向發(fā)展，電網(wǎng)運(yùn)行狀態(tài)信息監(jiān)控要求越來越高。其中，變電站作為智能電網(wǎng)的重要一環(huán)，其安全和穩(wěn)定運(yùn)行尤為關(guān)鍵。

    變電站監(jiān)控信息點(diǎn)表作為反映變電站狀態(tài)信息全時(shí)空下的晴雨表，對(duì)變電站自身乃至整個(gè)電網(wǎng)至關(guān)重要^[1]。開展對(duì)變電站監(jiān)控信息點(diǎn)表的研究工作，在工作效率層面上，將有益于電網(wǎng)調(diào)度的各項(xiàng)工作高效和穩(wěn)定開展；在經(jīng)濟(jì)價(jià)值層面上，將有益于保障國(guó)民經(jīng)濟(jì)在電力領(lǐng)域的穩(wěn)健運(yùn)行；在社會(huì)屬性層面上，將有益于社會(huì)朝著健康和綠色的方向發(fā)展。

1 相關(guān)分析

    目前，電網(wǎng)運(yùn)行對(duì)人工智能屬性要求日趨迫切，相關(guān)科研工作不斷加大；同時(shí)，針對(duì)目前電網(wǎng)巨規(guī)模、大負(fù)荷的用電現(xiàn)狀，過去的人工處理模式將逐步面臨瓶頸限制和淘汰的現(xiàn)狀，電力行業(yè)在智能電網(wǎng)上的技術(shù)整合和創(chuàng)新工作正在占領(lǐng)主航道。

    變電站監(jiān)控信息的質(zhì)量直接影響整個(gè)電網(wǎng)的高效且精準(zhǔn)運(yùn)行。變電站監(jiān)控信息點(diǎn)表主要涵蓋了一和二次設(shè)備及其他附屬設(shè)備的設(shè)備出廠信息、在運(yùn)行下的電氣邏輯信息，具有信息量大、關(guān)聯(lián)性強(qiáng)、冗余性高的數(shù)據(jù)特點(diǎn)。

1.1 變電站監(jiān)控信息點(diǎn)表本身存在的若干問題

    針對(duì)變電站監(jiān)控信息點(diǎn)表自身日益暴露的綜合狀況，設(shè)計(jì)部門-用戶單位-設(shè)備廠商的信息點(diǎn)表縱向互聯(lián)方面存在脫節(jié)現(xiàn)象，原因在于電力研究院、電力調(diào)度部門、設(shè)備供應(yīng)商彼此之間扮演角色及分工的限制；設(shè)計(jì)部門之間、用戶單位之間、設(shè)備廠商之間的橫向協(xié)同方面存在松耦合現(xiàn)象，原因在于區(qū)域特點(diǎn)、歷史特點(diǎn)、行業(yè)特點(diǎn)的約束^[2]。

    以上現(xiàn)象無法在短時(shí)間內(nèi)行之有效地得到根本性解決；但是，將人工智能算法植入監(jiān)控信息點(diǎn)表自身的研究工作符合目前智能電網(wǎng)發(fā)展的必然趨勢(shì)。可以利用以上軟實(shí)力提升的方式，開展面向信息點(diǎn)表提質(zhì)增效方面的科研工作。

1.2 神經(jīng)網(wǎng)絡(luò)及其改進(jìn)措施的引入工作

    面向變電站監(jiān)控信息點(diǎn)表實(shí)際應(yīng)用，將人工智能算法引入監(jiān)控信息點(diǎn)表改良工作具有解決措施靈活、投入硬成本低、可復(fù)用性較強(qiáng)的優(yōu)點(diǎn)。

    神經(jīng)網(wǎng)絡(luò)作為人工智能算法的一種，其優(yōu)越性在于自發(fā)組織學(xué)習(xí)、主動(dòng)迭代規(guī)則、有較強(qiáng)的非線性擬合能力，借助其自身優(yōu)點(diǎn)可以將監(jiān)控信息點(diǎn)表本身賦予自感知特性，提升信息追本溯源的實(shí)戰(zhàn)能力；其劣勢(shì)在于自適應(yīng)能力有限，存在迭代周期較長(zhǎng)和非全局最優(yōu)解的問題，鑒于其自身劣勢(shì)需要集成其他方法加以優(yōu)化，以提升神經(jīng)網(wǎng)絡(luò)在解決具體應(yīng)用對(duì)象上的普適性^[3]。

2 構(gòu)建變電站監(jiān)控信息點(diǎn)表數(shù)據(jù)分析機(jī)理

    以電網(wǎng)調(diào)度需求為牽引，具體構(gòu)建變電站監(jiān)控信息點(diǎn)表數(shù)據(jù)源分析機(jī)理如下，其邏輯如圖1所示^[4]。

    (1)建立設(shè)備臺(tái)賬數(shù)據(jù)庫(kù)和電氣邏輯屬性數(shù)據(jù)庫(kù)

    設(shè)備臺(tái)賬數(shù)據(jù)庫(kù)主要包含了一二次設(shè)備物理和電氣屬性信息、一二次設(shè)備間的關(guān)聯(lián)屬性信息。同時(shí)，將設(shè)備ID和監(jiān)控信息點(diǎn)號(hào)作為雙重索引標(biāo)識(shí)，構(gòu)建一二次設(shè)備物理和電氣屬性映射和關(guān)聯(lián)關(guān)系。

    (2)支持遙測(cè)、遙信、遙控模板信息訂閱服務(wù)

    遙測(cè)信息模板將變電站歷史上運(yùn)行參數(shù)作為參照系，快速定位當(dāng)下實(shí)時(shí)狀態(tài)電信號(hào)測(cè)量信息和數(shù)據(jù)；遙信信息模板以遙測(cè)信息為預(yù)判依據(jù)，實(shí)現(xiàn)繼電保護(hù)、斷路器、隔離開關(guān)及相關(guān)告警狀態(tài)的信息全時(shí)空的判讀工作；遙控信息模板主要以斷路器、隔離開關(guān)、接地刀閘分合動(dòng)作為主要操作對(duì)象，并將信號(hào)復(fù)歸及功能投推的信息反饋?zhàn)鳛楹蓑?yàn)輸入^[5]。

    (3)制定變電站類型-電壓等級(jí)-間隔-設(shè)備的級(jí)聯(lián)層級(jí)關(guān)系

    將變電站監(jiān)控信息按照“變電站類型→電壓等級(jí)→間隔→設(shè)備”層級(jí)關(guān)系，逐級(jí)映射，并封裝成特定級(jí)聯(lián)關(guān)系的模型庫(kù)，實(shí)現(xiàn)自動(dòng)更新和調(diào)用功能。

    (4)二次優(yōu)化變電站監(jiān)控信息點(diǎn)表承載的數(shù)據(jù)內(nèi)容

    通過以上再次梳理變電站監(jiān)控信息數(shù)據(jù)關(guān)系的基礎(chǔ)，下面引入“神經(jīng)網(wǎng)絡(luò)+矩陣分析”智能算法聯(lián)合的方式，量化分析以上規(guī)范和約束的內(nèi)在關(guān)聯(lián)關(guān)系，優(yōu)化變電站監(jiān)控信息點(diǎn)表分析工作^[6-7]。

3 構(gòu)建基于矩陣分析改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的監(jiān)控信息優(yōu)化融合模型

    BP神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network，BPNN)通過構(gòu)建神經(jīng)網(wǎng)絡(luò)“輸入層-隱含層-輸出層”的層級(jí)架構(gòu)，建立輸入和輸出權(quán)值關(guān)系，達(dá)到應(yīng)用對(duì)象被抽象化的自組織學(xué)習(xí)非線性擬合的目的^[8]。總體而言，BPNN整個(gè)算法主體上分為兩步：(1)建立和執(zhí)行正向傳導(dǎo)關(guān)聯(lián)模式；(2)逆向反饋關(guān)聯(lián)關(guān)系擬合偏差。通過有限次的迭代工作，獲取輸出與輸入之間長(zhǎng)期穩(wěn)定的關(guān)聯(lián)關(guān)系。

    在變電站監(jiān)控信息優(yōu)化解析方面，以監(jiān)控信息點(diǎn)表為研究對(duì)象，BPNN優(yōu)勢(shì)：降低人工干預(yù)，發(fā)揮計(jì)算機(jī)自身計(jì)算優(yōu)勢(shì)，具有較優(yōu)的非線性擬合能力；其劣勢(shì)：受限于歷史樣本數(shù)據(jù)的豐富程度，易陷于局部最優(yōu)解，學(xué)習(xí)過程相對(duì)緩慢。

    以下從改進(jìn)BPNN算法的路線設(shè)計(jì)、基于監(jiān)控信息點(diǎn)表數(shù)據(jù)的BPNN自主學(xué)習(xí)數(shù)學(xué)建模、基于BPNN傳遞函數(shù)誤差最小化的兩層權(quán)重分配矩陣分析優(yōu)化三方面開展相關(guān)工作。

3.1 改進(jìn)BPNN算法的路線設(shè)計(jì)

    改進(jìn)算法的路線設(shè)計(jì)過程如圖2所示。

    (1)對(duì)接變電站監(jiān)控信息數(shù)據(jù)庫(kù)平臺(tái)，讀取監(jiān)控信息點(diǎn)表歷史樣本；

    (2)構(gòu)建三層式（輸入層-隱含層-輸出層）BPNN學(xué)習(xí)模型；

    (3)將設(shè)備信息臺(tái)賬庫(kù)和電氣邏輯屬性庫(kù)數(shù)據(jù)合成，作為輸入層向量x；

    (4)將設(shè)備ID和信息點(diǎn)表點(diǎn)號(hào)與“變電站類型-電壓-間隔-設(shè)備”進(jìn)行映射關(guān)聯(lián)，作為隱含層向量y；

    (5)將“變電站類型-電壓-間隔-設(shè)備”與遙信、遙測(cè)、遙控訂閱信息進(jìn)行映射關(guān)聯(lián)，作為輸出層向量z； 

    (6)其中，ω_i為隱含層與輸入層之間的權(quán)重矩陣，e_i為隱含層與輸入層之間的誤差向量，ω_o為隱含層與輸出層之間的權(quán)重矩陣，e_o為隱含層與輸出層之間的誤差向量；

    (7)為使e_i和e_o向量誤差期望值最小，設(shè)立迭代次數(shù)N；

    (8)開展權(quán)重矩陣方程特征值優(yōu)化計(jì)算工作；

    (9)若(for k=0；k++；k<N），跳轉(zhuǎn)至步驟(3)；

    (10)直至滿足數(shù)學(xué)模型迭代次數(shù)，最終獲得監(jiān)控信息點(diǎn)表信息融合之后的優(yōu)化解。

3.2 基于監(jiān)控信息點(diǎn)表數(shù)據(jù)的BPNN自主學(xué)習(xí)數(shù)學(xué)建模

    基于監(jiān)控信息點(diǎn)表數(shù)據(jù)的BPNN自主學(xué)習(xí)數(shù)學(xué)建模聲明如下：

    (1)為了增強(qiáng)非線性擬合能力并最終最大限度地呈現(xiàn)數(shù)據(jù)本身信息的客觀真實(shí)性，引入BPNN信息數(shù)據(jù)關(guān)聯(lián)轉(zhuǎn)移函數(shù)其中t表示本層網(wǎng)絡(luò)輸出數(shù)據(jù)變量，d表示上一層網(wǎng)絡(luò)數(shù)據(jù)輸入變量^[9]。

    (2)隱含層與輸入層之間的函數(shù)關(guān)系：y=f(x)=ω_ix+e_i，ω_i=t(x)，e_i=y_r-y；其中，ω_i權(quán)值分配服從關(guān)聯(lián)轉(zhuǎn)移函數(shù)，y_r表示隱含層的實(shí)際值。

    (3)輸出層與隱含層之間的函數(shù)關(guān)系：z=f(y)=ω_oy+e_o，ω_o=t(y)，e_o=z_r-z；其中，ω_o權(quán)值分配服從關(guān)聯(lián)轉(zhuǎn)移函數(shù)，z_r表示隱含層的實(shí)際值。

    (4)期望方差計(jì)算。為了獲取BPNN信息傳遞最優(yōu)輸出期望值，具體的隱含層輸出期望方差和輸出層輸出期望方差的數(shù)學(xué)計(jì)算公式如式(1)、式(2)所示：

3.3 基于BPNN傳遞函數(shù)誤差最小化的兩層權(quán)重分配矩陣分析優(yōu)化

    利用構(gòu)建權(quán)重分配矩陣的思想，加速BPNN自主學(xué)習(xí)過程^[10-11]。

    (1)將ω_i、ω_o抽象合成為BPNN整體輸入到輸出的權(quán)重矩陣模型，具體公式詳見式(3)，表示輸入層節(jié)點(diǎn)的個(gè)數(shù)。

    (2)對(duì)式(3)開展權(quán)重矩陣特征值最優(yōu)解計(jì)算，壓縮數(shù)據(jù)處理量，計(jì)算所得公式如式(4)所示。

    (3)對(duì)式(4)的輸入層變量求偏導(dǎo)計(jì)算，分析BPNN學(xué)習(xí)走勢(shì)并整合，獲取后續(xù)的側(cè)重學(xué)習(xí)策略，計(jì)算如式(5)所示。

4 仿真實(shí)驗(yàn)

4.1 仿真聲明

    學(xué)習(xí)樣本1 500個(gè)，測(cè)試樣本200個(gè)，權(quán)重取值ω∈(0.25，0.70)，迭代次數(shù)100次，誤差率控制比例范圍e∈(0，10%)。

4.2 仿真分析

4.2.1 測(cè)試樣本誤差率與迭代時(shí)間的效能對(duì)比

    針對(duì)200個(gè)變電站監(jiān)控信息點(diǎn)表的測(cè)試樣本，分別采用BPNN和“BPNN+矩陣分析”的人工智能手段，其測(cè)試樣本誤差率與迭代時(shí)間效能對(duì)比如圖3所示。

    從圖3分析可知，在t≈4.4 s以后,采用“BPNN+矩陣分析”的測(cè)試樣本誤差率穩(wěn)定在1.15%；在t≈6.5 s以后，采用BPNN的測(cè)試樣本誤差率穩(wěn)定在1.57%。通過以上比較可知，采用“BPNN+矩陣分析”的人工智能算法模型不僅時(shí)間響應(yīng)方面有優(yōu)勢(shì)，而且還將測(cè)試樣本誤差率進(jìn)一步降低。

4.2.2 測(cè)試樣本信息融合程度對(duì)比

    針對(duì)200個(gè)變電站監(jiān)控信息點(diǎn)表的測(cè)試樣本，分別采用BPNN和“BPNN+矩陣分析”的智能分析手段，其測(cè)試樣本融合程度對(duì)比如圖4所示。

    從圖4分析可知，在t≈6.5 s以后，采用“BPNN+矩陣分析”的人工算法聯(lián)合創(chuàng)新方式將測(cè)試樣本信息融合穩(wěn)定維持在95.6%；在t≈8.6 s以后，采用BPNN的測(cè)試樣本將測(cè)試樣本信息融合穩(wěn)定維持在82.9%。通過以上比較可知，采用“BPNN+矩陣分析”的人工智能算法模型在短時(shí)間內(nèi)可以實(shí)現(xiàn)信息融合工作，并在信息融合程度方面占絕對(duì)優(yōu)勢(shì)。

5 結(jié)論

    通過基于矩陣分析的BPNN智能算法，開展了變電站監(jiān)控信息點(diǎn)表信息融合模型構(gòu)建及其解析工作。仿真試驗(yàn)結(jié)果表明，在面向海量監(jiān)控信息的處理工作中，“BPNN+矩陣分析”實(shí)現(xiàn)了人工智能方式的解析工作，不僅壓縮了監(jiān)控信息數(shù)據(jù)量，而且提升了監(jiān)控信息點(diǎn)表的判讀效率。

參考文獻(xiàn)

[1] 李元鋒，莫加杰，馮超.新一代智能變電站信息融合和一體化建模技術(shù)研究[J].自動(dòng)化應(yīng)用，2016(9)：107-108.

[2] 冉冉，張巖，胡楠，等.基于電力數(shù)據(jù)中心應(yīng)用標(biāo)準(zhǔn)化設(shè)計(jì)的研究[J].電子技術(shù)應(yīng)用，2014(z1)：278-280.

[3] 字云飛，李業(yè)麗，孫華艷.基于深度神經(jīng)網(wǎng)絡(luò)的個(gè)性化推薦系統(tǒng)研究[J].電子技術(shù)應(yīng)用，2019，45(1)：20-24.

[4] 王洪哲，路明，秦領(lǐng)，等.基于電力設(shè)備的監(jiān)控業(yè)務(wù)一體化管理方法[J].東北電力技術(shù)，2017(8)：24-28.

[5] 徐丹丹，米為民，鄧勇，等.智能變電站與調(diào)度主站間模型/圖形協(xié)調(diào)共享及無縫通信一體化建模方案[J].電網(wǎng)技術(shù)，2012，36(11)：235-239.

[6] 莫紅枝.基于馬爾可夫鏈的自適應(yīng)性神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法[J].電子技術(shù)應(yīng)用，2014，40(10)：142-145.

[7] 張賢達(dá).矩陣分析與應(yīng)用(第2版)[M].北京：清華大學(xué)出版社，2013.

[8] CHENG H L，PARK S C.Combination of modified BPNN algorithms and an efficient feature selection method for text categorization[J].Information Processing & Management，2009，45(3)：329-340.

[9] 宋宇鯤，高曉航，張多利，等.Sigmoid函數(shù)的分段非線性擬合法及其FPGA實(shí)現(xiàn)[J].電子技術(shù)應(yīng)用，2017，43(8)：49-51.

[10] MAHLER R P S，EBRARY I.Statistical multisource-multitarget information fusion[M].Statistical Multisource-Multitarget Information Fusion，2007.

[11] BARZILAY R，MCKEOWN K R，ELHADAD M.Information fusion in the context of multi-document summarization[C].Proceedings of 38th ACL，1999.

作者信息:

張  宇，張  昊，李  勝，王國(guó)鵬，崔慧軍

(國(guó)網(wǎng)冀北電力有限公司，北京100053)